Abstract

histomorfometria quantitativa (QH) refere-se à aplicação da análise de imagem computacional avançado para descrever reproducibly aparecimento da doença em imagens de histopatologia digitalizados. QH, portanto, poderia servir como uma importante ferramenta complementar para os patologistas em interrogar e interpretação morfologia e malignidade do câncer. Em os EUA, por ano, mais de 60.000 pacientes com câncer de próstata submetidos a tratamento prostatectomia radical. Cerca de 10.000 desses homens experimentam recorrência bioquímica dentro de 5 anos de cirurgia, um marcador para a recorrência da doença local ou distante. A capacidade de prever o risco de recorrência bioquímica logo após a cirurgia pode permitir terapias adjuvantes para ser prescrito como necessárias para melhorar os resultados do tratamento de longo prazo. A hipótese subjacente com a nossa abordagem, co-ocorrendo glândula angularidade (CGA), é que no câncer de próstata benigno ou menos agressiva, orientações glândula dentro de bairros locais são semelhantes entre si, mas são mais caoticamente dispostos em doença agressiva. Ao modelar a gravidade da perturbação, podemos diferenciar secções de tecido da próstata removidos cirurgicamente a partir de (a) regiões benignos e malignos e (b) mais e menos agressiva do cancro da próstata. Para uma coorte de 40 de risco intermediário (principalmente Gleason soma 7) curado cirurgicamente pacientes com câncer de próstata onde metade sofreram recorrência bioquímica, as características CGA foram capazes de prever recorrência bioquímica com uma precisão de 73%. Além disso, para 80 regiões de interesse escolhidos a partir dos estudos de 40, correspondendo a ambos os casos normais e cancerosas, as características CGA produziu uma precisão de 99%. Cgas mostraram-se estatisticamente signicantly () melhor em prever BCR comparado aos métodos QH state-of-the-art e nomograms de câncer de próstata no pós-operatório

Citation:. Lee G, faíscas R, Ali S, Shih NNC, Feldman MD, Spangler E, et al. (2014)-Co Ocorrendo Gland Angularidade no localizadas Subgrafos: Prevendo recorrência bioquímica em de risco intermediário da próstata pacientes com câncer. PLoS ONE 9 (5): e97954. doi: 10.1371 /journal.pone.0097954

editor: Zhuang Zuo, UT MD Anderson Cancer Center, Estados Unidos da América

Recebido: 27 Janeiro, 2014; Aceito: 27 de abril de 2014; Publicação: 29 de maio de 2014

Direitos de autor: © 2014 Lee et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença Creative Commons Attribution, que permite uso irrestrito, distribuição e reprodução em qualquer meio, desde que o autor original ea fonte sejam creditados

Financiamento:. Este trabalho foi apoiado pelo Departamento de Defesa (W81XWH-12-1-0171); Departamento de Defesa (W81XWH-11-1-0179); National Cancer Institute dos Institutos Nacionais de Saúde com os números de concessão R01CA136535-01, R01CA140772-01 e R21CA167811-01; o Instituto Nacional de Imagem Biomédica e Bioengenharia dos Institutos Nacionais de Saúde com o número prêmio R43EB015199-01; a National Science Foundation sob o número prêmio IIP-1248316; eo prêmio QED do Science Center City University e da Universidade de Rutgers. Os financiadores não tiveram nenhum papel no desenho do estudo, coleta de dados e análise, decisão de publicar ou preparação do manuscrito

CONFLITO DE INTERESSES:.. Os autores declararam que não existem interesses conflitantes

Introdução

Cada ano nos Estados Unidos, cerca de 60.000 homens diagnosticados com câncer de próstata (CaP) submetidos a prostatectomia radical (RP) [1]. Em casos em que não há nenhuma evidência prévia de propagação da doença, o tratamento de boné com RP geralmente tem resultado em resultado favorável a longo prazo [2]. No entanto, para 15-40% dos pacientes RP, recorrência bioquímica (BCR) ocorre dentro de 5 anos de cirurgia [1]. BCR é geralmente definida como uma persistência detectável de antigénio específico da próstata (PSA) de pelo menos 0,2 ng /mL e é sugestivo de qualquer recorrência local distante ou de doenças necessitando de tratamento adicional [3]. Por conseguinte, é importante ser capaz de predizer o risco de BCR logo após a cirurgia, de modo que, se necessário, tratamentos adjuvantes pode ser iniciado.

Gleason marcando [4] é um sistema de classificação com base patologia com base no Visual análise da morfologia glandular e nuclear. Gleason pontuações baixas foram associados com mais favorável prognóstico a longo prazo para o cancro da próstata, ao passo que o inverso é verdadeiro para maiores pontuações Gleason [5]. Gleason pontuação combina o grau dos padrões mais comuns mais comuns e a segunda dentro da secção de tecido, resultando em uma soma de Gleason variando de 2 (menos agressiva) a 10 (mais agressivo). escore de Gleason é actualmente considerado como o melhor biomarcador para prever a agressividade da doença e longo prazo, resultado pós-cirúrgico do paciente [4]. Infelizmente, resultado pós-cirúrgico de pacientes com câncer de próstata com pontuações Gleason intermediários podem variar consideravelmente [6]. Alguns quadros estatísticos sugerem uma taxa de sobrevida livre de BCR 5 anos tão baixo quanto 43% em homens com Gleason soma 7 [5]. Além disso, Gleason pontuação é sujeita a considerável variabilidade inter-avaliador [7]. Allsbrook et ai. [7] relatou um kappa-coeficiente de 0,4 representando concordância moderada entre os patologistas de classificação de Gleason score 7 padrões. Portanto, o valor prognóstico da Gleason marcando sozinho para prever BCR em pacientes de RP com pontuações Gleason intermediários parece ser limitado.

Durante as duas últimas décadas, muitos nomograms pós-operatórias foram desenvolvidos para incorporar variáveis ​​clínicas adicionais, tais como tumor palco, PSA pré-operatório, ou margens cirúrgicas positivas [5], [8] – [11], a fim de prever o resultado do paciente e da doença. O nomograma Kattan [8] incorporou esses parâmetros para prever 80 meses BCR sobrevida livre após prostatectomia radical. Han et al. [5] incorporada soma Gleason, estágio do tumor, e PSA pré-operatório em uma série de tabelas de probabilidade, conhecidas como as Tabelas de Han. Posteriormente, o nomograma Stephenson [9] adicionou a data da cirurgia como uma variável de prognóstico. A Universidade da Califórnia em San Francisco construiu seu próprio preditor escore de risco (Capra) [10] para separar pacientes com PAC pós-operatórias em baixo, médio e categorias de alto risco. Além dos parâmetros utilizados no nomograma Kattan, a pontuação CAPRA também incluiu a percentagem de núcleos de biópsia positiva em sua avaliação de risco. Hinev et ai. [11] realizaram um estudo independente defendendo o uso do nomograma Memorial Sloan Kettering Cancer Center (MS-KCC), desenvolvido pela Kattan e Stephenson, sugerindo previsão superior de BCR 5-ano em comparação com as tabelas de Han. O nomograma MS-KCC acrescenta variáveis ​​adicionais, tais como idade e tempo livre do câncer. Estes nomograms representam o estado-da-arte em previsão CaP pós-operatório de BCR, mas ainda dependem fortemente de pontuação de Gleason, que é derivada da interpretação patologista.

O advento recente de todo scanners de slides digitais tem permitido digitalização de alta resolução de lâminas de tecido. Estas imagens de slides digitalizados podem ser posteriormente submetido a histomorfometria quantitativa (QH). Uma variedade de ferramentas QH tenham sido previamente utilizados para descrever, classificar e diagnosticar os padrões de doença a partir de imagens de histopatologia [12]. No contexto de espécimes de patologia da próstata excisadas, QH tem sido utilizado com sucesso numa vasta gama de aplicações de detecção de cancro para prognóstico, Mónaco et ai. desenvolvido e empregado um algoritmo de Markov campo aleatório (MRF) para a detecção do câncer de próstata [13].

Alguns pesquisadores também exploraram o papel de textura de imagem para caracterizar a aparência de morfologia PAC. Para efeitos de classificação automatizado CaP, Jafari-Khouzani et ai. [14] examinou o papel de segunda ordem características de textura intensidade de imagem com base em matrizes de co-ocorrência. matrizes de co-ocorrência avaliar a frequência com que duas intensidades de imagem aparecem dentro de uma distância pré-definida um do outro dentro de um bairro. Uma série de características estatísticas de segunda ordem (por exemplo, a entropia) [15] para descrever a matriz de co-ocorrência pode então ser extraído e servem para descrever a textura da imagem local. Outras características de textura, como primeira ordem intensidade da imagem estatística e filtros de gradiente orientáveis ​​(por exemplo filtros Gabor) [16], também têm sido utilizados para prever PAC. características de textura, embora tenham se mostrado útil para caracterizar a morfologia PAC, muitas vezes sofrem de uma falta de transparência e facilidade de interpretação.

Outra classe de abordagens tentaram aparência CaP explicitamente modelo por interrogar o arranjo espacial dos indivíduo núcleos e glândulas. Tabesh et ai. [17] cor investigado, textura e morfologia estrutural a realizar automatizado Gleason pontuação no exame histopatológico da próstata. Em Doyle et ai. [16], descritores morfológicos, como o tamanho da glândula e relação perímetro foram mostrados para distinguir regiões histológicas benignas e malignas. Veltri et ai. [18] investigou a morfologia nuclear usando um descritor chamado variação de redondez nuclear para prever recorrência bioquímica em homens com câncer de próstata.

Muitos pesquisadores também tentaram modelar a arquitetura do tecido QH, através do uso de redes de gráficos para caracterizar a variabilidade espacial arranjo de núcleos e glândulas [16], [19] – [21]. Christens-Barry et ai. usados ​​Voronoi- e pavimentações gráfico Baseada-Delaunay para descrever a arquitetura do tecido em Cap histologia [19]. Doyle et ai. [16] mostrou que o mínimo Spanning árvores, além de Voronoi, características Delaunay pareceu ser fortemente correlacionada com grau de Gleason. No entanto, esses recursos são derivados de gráficos totalmente conectado. Esta abordagem sugere que os núcleos incorporados dentro das regiões do estroma e epiteliais será ligado através destes gráficos e, portanto, as bordas do gráfico vai atravessar as interfaces do estroma e epiteliais regiões [22]. Daí as características extraídas de Voronoi ou Delaunay gráficos representam a “média” atributos de ambos estromal e arquitetura epitelial, e, portanto, tem vista para as contribuições locais de estroma e epitélio de forma independente dentro dos gráficos. Em alternativa, a análise dos subgraphs locais [20], [21], [23], [24], que ao contrário gráficos globais (por exemplo Voronoi e Delaunay) que visam capturar uma assinatura de arquitectura global para o tumor, pode permitir a quantificação dos locais interações dentro bairros localizados flexíveis. Gunduz et ai. [23] notou uma agrupamento natural das células e utilizados gráficos de células para modelar gliomas e diferenciar tecido inflamado cancerosas, saudáveis ​​e não-neoplásica. Demir et ai. [25] e outros [20], [23], [24] desenvolveram um conjunto de funcionalidades gráficas para quantificar as células-gráficos locais. Bilgin et ai. [20] características semelhante extraídos de diferentes tipos de gráficos de células locais para a classificação do tecido mamário. Características foram extraídos a partir de células-gráficos simples, probablilistic, e hierárquicos, bem como uma combinação híbrida de métodos simples e hierárquicos. Da mesma forma, Ali et al [21], os atributos utilizados de gráficos cell-de fragmentação probabilísticos para diferenciar câncer de orofaringe. Estes subgraphs oferecem a vantagem de ser capaz de modelar explicitamente e de forma independente arquitetura espacial dos núcleos e glândulas dentro das regiões epiteliais e estromais.

Neste artigo, descrevemos uma nova metodologia QH que visa utilizar a direcionalidade das glândulas e transtorno associado em orientações da glândula para prever o grau de malignidade e, posteriormente, o risco de recorrência bioquímica pós-cirúrgico em pacientes com PAC. A hipótese é que as glândulas normais benignos alinhar-se com respeito ao estroma fibromusclar, e, assim, apresentar uma direccionalidade coerente. glândulas da próstata malignas, no entanto, perder a sua capacidade de se orientar e não demonstrar direcionalidade preferido. Além disso, com o aumento do grau de malignidade e a agressividade da doença, a coerência das orientações da glândula dentro de regiões localizadas é completamente interrompido. Em outras palavras, a entropia (que capta desordem) em orientações da glândula tende a aumentar em função da malignidade.

As características CGA visam capturar a informação direcional em redes de glândulas localizadas nas seções de histopatologia excisadas para caracterizar diferenças de orientação glândula entre (a) regiões malignos e benignos e (b) pacientes com PAC que fazem e não experimentam recorrência bioquímica seguinte RP. A metodologia CGA compreende as seguintes etapas principais.

Para cgas, um algoritmo de segmentação é utilizado pela primeira vez para individualmente segmento da glândula limites de secções de patologia digitalizados. Para cada glândula, atribuímos um ângulo que reflecte a orientação dominante da glândula baseado fora do eixo maior, como mostrado na Figura 1 (a). Um subgráfico é então construído para interligar glândulas proximal uns aos outros numa rede glândula como ilustrado na Figura 1 (b). Os subgráficos, ao contrário dos gráficos relativos de Voronoi, e Delaunay árvore de extensão mínima que foram anteriormente utilizados para caracterizar arquitectura glandular mundial [26], permite a caracterização do arranjo glândula local. Uso de subgráficos locais evitar bordas do gráfico de atravessar regiões dos tecidos heterogéneos, como estroma e epitélio. A matriz de co-ocorrência, previamente usada para caracterizar texturas de intensidade de imagem, é usado para capturar estatísticas de segunda ordem de orientações glândula dentro de cada rede glândula na imagem. Assim, cada matriz de co-ocorrência capta a frequência com a qual co-ocorrem orientações das duas glândulas proximais para o outro. características co-ocorrência, tais como entropia são extraídos a partir da matriz de co-ocorrência, associada a cada rede de glândula para capturar o grau em que as orientações das glândulas proximais são semelhantes ou divergente em relação ao outro. Daí um bairro com um alto valor de entropia iria reflectir um alto grau de desordem entre orientações da glândula, enquanto um baixo valor de entropia reflete que os ângulos da glândula parecem estar alinhado aproximadamente na mesma direção.

(a) Para cada glândula , o ângulo entre o eixo principal da glândula () e o eixo x é calculado. (B) Subgrafos conectar os centróides das glândulas em redes de glândulas ligadas localmente vizinho.

Uma vez que nós esperamos ver distúrbio glandular ângulo no (a) maligno contra regiões benignos e (b) casos de recorrência bioquímica contra casos não-retorno, de segunda ordem feições angulosas estatísticos como entropia representam um romance, reprodutível e modo interpretável para caracterizar a aparência da doença na histopatologia. Ao contrário primeiras estatísticas de ordem de ângulos, os traços angulosos glândula co-ocorrendo são capazes de capturar implicitamente as propriedades cíclicas da orientação glândula. O uso de subgraphs locais geradas por um probabilística ajuda função decadente definir redes glândula locais em que as características CGA podem ser extraídos e analisados ​​

Neste trabalho, nós demonstramos a utilidade da CGA apresenta para as seguintes tarefas de classificação.: 1) diferenciando as regiões de tecido da próstata cancerosas e não-cancerosas, e 2) distinguir pacientes com PAC com e sem recorrência bioquímica após prostatectomia radical

a Figura 2 mostra dois estudos representativos:. a recorrência bioquímica (BCR) e um não- recorrência bioquímica (NR) caso. Para o caso de BCR, podemos ver uma maior perturbação na orientação glândula ilustrado através do vector plot na figura 2 (f). O mapa de cores baseado em ângulo para BCR caracteriza a desordem em casos BCR, como evidenciado pela um largo espectro de cores, cada cor representando uma orientação diferente. Por outro lado, para o caso NR, (Figura 2 (n)), o mapa de cores mostra um intervalo menor de cores, sugerindo menor variância na glândula direccionalidade. As diferenças de sentido da glândula também está reflectido nas Figuras 2 (d), (L), através da matriz de co-ocorrência angular. O brilho dos elementos fora da diagonal da matriz de nível maior de co-ocorrências de ângulos glândula diferencialmente orientadas para o caso de BCR (Figura 2 (d)) em comparação com o caso NR (Figura 2 (l)). Estas diferenças entre as matrizes de co-ocorrência angulares são detectada pelo segundo estatísticas de ordem, como mostram as Figuras 2 (h), (p) ilustram padrões de cores diferentes com base no valor das estatísticas em cada subgráfico.

(b ), (j) Automated glândula segmentação dos limites da glândula. (C), (k) Subgrafos mostrando as ligações entre as glândulas vizinhos. Uma vista ampliada da região em caixa em (a) e (i), respectivamente, ilustra (e), (m) glândulas segmentado, (f), (n) ângulos do bucim, e (g), (o) subgráficos rede glândula. (F), (n) Setas indicam a direção de cada glândula. cores de contorno (azul para vermelho) correspondem aos ângulos de 180 °]. (G), (S) localizada redes glândula definir a região de cada matriz de co-ocorrência angular. (D), (l) Resumiu matrizes de co-ocorrência angular denotar a frequência com que co-ocorrem duas glândulas de dois direcionalidades em todos os bairros (elementos brancos refletem uma maior co-ocorrência). Os valores de co-ocorrência diagonal foram omitidos para proporcionar um melhor contraste em comparação com os componentes fora da diagonal. (H), (p) colormap dos subgraphs glândula correspondem à média intensidade em cada bairro.

Ele também pode ser observado nas Figuras 2 (c), (k) que subgraphs capturar glândula locais bairros. Uma vez que os subgráficos está localizada e limitada às regiões epiteliais sozinho, as contribuições a partir de dentro das regiões do estroma sejam minimizados. Por conseguinte, o cgas fornecer uma representação compacta, interpretáveis ​​e quantitativa da arquitectura glândula e morfologia do cancro da próstata que pode ser empregue para distinguir (A) a partir de regiões do cancro benignos e (b) a partir de BCR casos NR.

O restante desta artigo está estruturado da seguinte forma. Em primeiro lugar, introduzir a teoria e metodologia para cgas. Materiais e Métodos descreve o processo de obtenção dos grupos de estudo e fornece detalhes sobre o fluxo de trabalho e metodologias comparativos utilizados neste estudo. Resultados Experimentais e Discussão fornece casos específicos em que testamos nossa metodologia CGA. Por último, Considerações Finais discute nossas contribuições globais e trabalhos futuros.

Quantitative histomorfometria via Co-ocorrendo Gland Angularidade (CGA)

Notation

Nós definimos uma cena de imagem como, se for a cena de imagem é descrito por uma grelha espacial dos locais, cada um dos quais estão associados com um valor de intensidade única. Para imagens de intensidade e de imagens coloridas. Nós definimos uma sub-região, dentro da cena, onde um subgráfico pode ser definido.

Cada é composto de uma série de glândulas, que são representadas como nós, onde, onde está o número de glândulas . Nós também podemos definir como o conjunto de pontos de fronteira associados à glândula.

Assim podemos definir formalmente em que representa o conjunto de glândulas e é o conjunto de arestas que se conectam a outras glândulas adjacentes dentro. Cada um deles pode, em seguida, ser representado através de um vector de atributos de características CGA. Um classificador pode então ser treinados para identificar qualquer como pertencendo a uma de duas classes. Neste trabalho, o classificador serão treinados para distinguir cada um como (a) maligno ou benigno ou (b) BCR ou não.

Calculando Gland Angles

Para determinar a direcionalidade para cada glândula, , realizamos análise de componentes principais [27] sobre um conjunto de pontos de fronteira para obter os componentes principais. O primeiro componente principal descreve a direccionalidade da glândula sob a forma do eixo principal, ao longo da qual a maior variância ocorre dentro. O eixo principal é expressa como vector, de uma única direccionalidade, e é definido como (1) em que representa a direcção na -Direção, e representa a direcção na -Direção. é subsequentemente convertido a um ângulo para a esquerda calculada a partir do vector por (2) uma representação do processo de estimativa das orientações glândula é mostrado na Figura 1 (a).

Definindo Subgrafos local sobre as glândulas

relações espaciais entre pares entre glândulas são definidos através de gráficos sparsified. Para o subgráfico definido na região, as arestas individuais pode ser definida entre todos os pares de através de uma função de deterioração probabilística descrito no Gunduz et ai. [20], [23]. (3) em que representa a distância euclidiana entre e. controla a densidade do gráfico, em que 0 representa aproximando uma probabilidade elevada de a ligação dos nós quando se aproxima representa uma probabilidade baixa. é um limiar de borda determinada empiricamente. Um exemplo de uma rede subgráfico glandular resultante é mostrada na Figura 1 (b).

Matrizes

Glândula Angularidade Co-ocorrência

Os objectos de interesse para o cálculo CGA características são dadas por um discretização do ângulos, de tal modo que, quando é um factor empiricamente derivado de discretização. Maior fornecem menos especificidade para a contagem de ângulos glândula co-ocorrência e menor pode não expressar ângulos co-ocorrendo dentro dos bairros individuais. O ideal foi escolhido com base em uma 3 vezes randomizado cross-validação de parâmetros. foi definida como sendo de 10 neste trabalho, permitindo ângulos de ser discretizado em cada 10 graus.

Vizinhos definidas pelos locais subgráficos, permitem definir bairros para cada. Para cada um, nós definimos um bairro, para incluir todos onde um caminho entre e, através existe no gráfico.

Uma matriz de co-ocorrência angular subsequentemente captura pares ângulo da glândula e, onde e é o número de glândulas in, que co-ocorrem dentro de cada bairro. Isto pode, portanto, ser expressa da seguinte maneira. (4) onde, o número de compartimentos angulares discretas. Um exemplo de uma matriz de co-ocorrência angular é mostrado nas Figuras 2 (d) e (l).

Segunda Ordem Estatística Ângulo Gland

Nós posteriormente extrair segunda ordem os recursos estatísticos (energia Contraste, Contraste momento inversa, contraste, variação média Contraste, Contraste entropia, intensidade média, variância de intensidade, a entropia Intensidade, entropia, Energia, Correlação, e duas medidas de informação) de cada matriz de co-ocorrência angular. Formulações destes segundo características de ordem estão descritos na Tabela 1. A Figura 2 ilustra a visualização da significa medir a intensidade de cada em uma histopatologia digitalizado.

Materiais e Métodos

Declaração de Ética

os pacientes incluídos no estudo foram obtidos a partir de fontes independentes. Coorte A foi recolhido pelos Drs. Tomaszewski e Feldman obtidos a partir de estudo IRB “Análise de mudanças genéticas em cânceres geniturinário” Protocolo # 707863. Coorte B fazia parte do projeto de próstata Score, dirigido pelo Dr. Rebbeck, e aprovado pelo estudo IRB UPCC 13808 “Epidemiologia molecular do câncer de próstata” Protocolo # 36142. Todos aprovação IRB foi obtido a partir da Universidade da Pensilvânia, onde os dados do doente foi recolhido. Foi obtido consentimento escrito para todos os pacientes de longo prazo acompanhamento. De-identificado amostras de patologia digitais e dados de recorrência bioquímicos usados ​​para este estudo foi derivadas de dados recolhidos no âmbito do consentimento informado. Desde foram utilizados dados identificou-de consentimento IRB não era necessária.

Aquisição e Dados Dados Descrição

Os conjuntos de dados (obtidos a partir do Hospital da Universidade da Pensilvânia) eram compostos de 40 pacientes com PAC que tinham sido submetidos a tratamento RP. Estes estudos foram selecionados de um grupo muito maior de mais de 3000 casos arquivados no Hospital da Universidade da Pensilvânia. Os casos foram escolhidos para ter uma divisão igual de casos com BCR e NR seguinte RP. Além disso, a pesquisa foi limitada a apenas pontuações Gleason 6-8 e estágio patológico pT2 e PT3.

Para todos os pacientes com PAC, na sequência de RP, a próstata excisadas foi seccionado, corado com hematoxilina e eosina (HE), e digitalizado com uma resolução de 0,5 m por pixel ou ampliação de 20x utilizando uma Aperio

® scanner de slides inteira. Para cada imagem digitalizada, regiões PAC foram anotadas por um patologista, como mostrado na Figura 3. 56 regiões cancerosas foram anotados em 40 pacientes, 28 pacientes de BCR e 28 a partir de pacientes NR. Desde há homens sem prostatectomia radical documentado e biópsia de câncer de próstata confirmado sofrer, não havia regiões neste estudo que não se originou a partir de um paciente sem câncer. Em vez disso, 24 regiões de controle foram abatidos a partir de regiões não-cancerosas da próstata excisadas para estes pacientes.

metodologia CGA (destacado dentro das linhas tracejadas) aproveita a segmentação glândula para calcular características CGA. (B) cálculo do ângulo e (c) subgráfico cálculo é efectuado na imagem segmentada. (D) angular agregados matriz de co-ocorrência de co-ocorrência de ângulos das glândulas dentro das redes das glândulas localizadas. (E) Média, desvio padrão e variedade de estatísticas de segunda ordem (mostrado através de redes glândula diferencialmente coloridas) criar um conjunto de CGA recursos para a região. (F) Um classificador baseado no CGA pode então ser construído usando os recursos obtidos a partir de (e) para distinguir as categorias de interesse (ou câncer contra regiões benignos ou BCR contra NR).

CGA Extração de fluxo de trabalho

Como descrito anteriormente na notação, cada região é caracterizada por uma CGA dispõe de vetor. A é usado para treinar um classificador de aprendizado de máquina para distinguir entre (a) canceroso de regiões benignos e (b) BCR de pacientes NR. O método de extracção e de formação é descrito abaixo e resumidos na Figura 4.

Neste estudo, a análise histomorfométrica quantitativa é realizada apenas nessas regiões.

Identificação dos limites glandulares.

a detecção e segmentação dos limites da glândula é limitado a apenas essas regiões anotados manualmente pelo patologista nas seções de histopatologia digitalizados. Um algoritmo glândula segmentação automática de crescimento baseado região da próstata [13] é utilizado para detectar e segmento limites glandulares sobre a imagem histológica, tal como ilustrado na Figura 5. Mónaco et ai. [13] anteriormente foi capaz de identificar com precisão as regiões do câncer de próstata na acurácia de 93% através do procedimento de glândula segmentação descrito abaixo. Segmentação é realizada utilizando o canal de luminância no espaço de cor CIELAB. No canal de luminância, glândulas aparecem como regiões de pixels contíguos, de alta intensidade cercados por bordas afiadas como limites. Para identificar as glândulas, a imagem de luminância é convolved com um kernel Gaussian em escalas múltiplas mm para explicar vários tamanhos glândula. Os picos (máximos) das imagens de luminância suavizadas resultantes são usados ​​como sementes para um processo crescente região descrita resumidamente a seguir.

Uma caixa delimitadora é inicializado em torno de cada pixel de núcleo inicial, que representa a região atual ( CR), com pixels de 8 conectados circundantes CR, denotado como o limite atual (CB).

a seguir, o pixel no CB com a maior intensidade é removido do CB e incorporado CR. Os 8 pixels adjacentes deste novo pixel CR, que já não estão em CR, são incorporados CB.

A força limite é identificado em cada iteração, como mostrado na Figura 5. definir a fronteira interna (IB) como todos os pixels adjacentes de CR CB. força limite é definido como a intensidade média dos pixels em IB menos a intensidade dos pixels significa na CB.

Passos 2 e 3 são repetidos até que o algoritmo tenta adicionar um pixel fora da caixa delimitadora.

a região ideal é definido como CR região na iteração onde a força máxima limite foi alcançado.

regiões sobrepostas são posteriormente resolvido removendo a região com a menor resistência limite. Um exemplo dos resultados pode ser visto na Figura 4 (b).

extracção de características CGA.

Com base na segmentação glândula detalhado na secção, a identificação de limites glandulares, CGA características são calculados como descrito na seção anterior, Quantitative histomorfometria via Co-ocorrendo Gland Angularidade (CGA). Os parâmetros ideais foram escolhidos com base em uma 3 vezes randomizado procedimento de validação cruzada para e. A melhor combinação foi encontrado para ser, e, que foi utilizado para construir a matriz de co-ocorrência ângulo para todos os casos, nestas experiências. , Desvio padrão e intervalo da CGA recursos descritos na seção Segunda Ordem Gland Estatísticas Ângulo são calculados. Isso resulta que é um conjunto de 39 características CGA.

Construção de um classificador baseado no CGA.

Para cada tarefa de classificação (ver Resultados Experimentais e Discussão), um conjunto de treinamento de categorias positivas e negativas foram compilados a partir do conjunto de 40 casos (ver Tabela 2). O conjunto de treinamento foi usado para treinar um classificador em conjunto com a distinção entre as categorias de interesse. O classificador treinado foi então usado para atribuir a cada região ou estudar em classes com base nas tarefas de classificação (a) câncer distintiva de benigno ou (b) BCR de pacientes NR. 3 vezes validação cruzada randomizado foi usado para treinar e avaliar classificador robustez. Isto envolveu dividir aleatoriamente todo o conjunto de dados em 3 conjuntos de igual tamanho, com 2 subconjuntos utilizados para treinamento e um subconjunto utilizado para avaliação independente. Este procedimento foi repetido 100 vezes. Em todas as nossas experiências foi utilizado um classificador Floresta aleatória (uma agregação boostrapped de múltiplos classificadores de árvore de decisão). Nós nos referimos o leitor a [28] para obter detalhes adicionais sobre o classificador Floresta aleatória.

Comparativo Metodologias

A fim de comparar o desempenho da CGA apresenta para as diferentes tarefas de classificação descritos em resultados experimentais e Discussão, nós explicitamente modelado e avaliou um nunber de outro estado da arte (a) características QH e (b) nomograms, descrito abaixo.

atributos histomorfométricas quantitativos.

Glândula Morfologia (

):

descritores morfológicos [16] são extraídos a partir dos limites glandulares segmentados obtidos em textbfIdentification de limites glandulares estatísticas, tais como a relação de área, perímetro proporção, e racio da distância são derivados a partir de as informações glândula limite e a média, desvio padrão, mediana, e a relação entre os valores mínimos e máximos são calculados em todas as glândulas [16]. Esses recursos estão resumidos na Tabela 3.

Voronoi Diagram (

):

diagramas de Voronoi dividir cada região em polígonos que não se sobrepõem, cada um associado a uma glândula , onde cada aresta corta dois centroids glândula vizinhos e, quando. Um exemplo do diagrama de Voronoi calculado no topo de uma imagem digitalizada com patologia centros glândula servindo como nós /vértices é mostrado na Figura 6 (b). Estatística (Ver Tabela 3), tais como a área, perímetro e comprimento da corda são registadas para cada polígono e a média, desvio padrão, desordem, e a relação entre os valores mínimo e máximo são calculados em todos os polígonos na imagem.

QH características são extraídas a partir de (a) uma região anotada em um slide histologia da próstata digitalizada após prostatectomia radical. Gráficos para (b) de Voronoi, (c) Delaunay, e (d) Spanning mínima das árvores, assim como uma característica de imagem de textura (e) são mostrados a partir da área indicada por uma caixa azul em (a).